アンテナエンジニアリングでは、放射線パターンの精密な制御は、通信、レーダー、衛星通信、および新興ワイヤレスシステムにおけるパフォーマンスの最適化のために不可欠です。 アンテナパターン合成とシェーピングのための高度な技術により、エンジニアは特定の方向性、利益、および干渉拒絶要件を満たす配列を設計することができます。 この記事では、古典的な配列要因から現代の最適化アルゴリズムと適応ビームフォーミング、および機械学習や再構成可能なアンテナなどの新興トレンドにアプローチするパターン合成のための基本的および最先端の方法について説明します。

アンテナパターン合成の基礎

パターン合成は、アンテナ配列の励磁係数(振幅と相)を設計して、望ましい遠方放射線パターンを生成するプロセスです。 目標は、多くの場合、指向性を最大化し、サイドローブレベルを最小限にし、メインビームを操縦するか、特定の方向にnullを作成します。 数学基礎は配列因子に残り、\(N\)-elementリニア配列は、要素が位置のために複雑な重量とシフトの合計です。

配列ファクターメソッド

配列の要因方法は最も基本的な統合の技術です。均一線形配列のために、配列の要因はsincそっくり機能です。重量を調節することによって、エンジニアは制御されたサイドローブのレベル、ビーム幅およびステアリング角度とパターンを作り出すことができます。方法は、複雑な形の制約が要求されるときまっすぐに限られます。それはより高度の統合のための建築ブロックとして役立つ。

フーリエ変換法

均一に間隔をあいた線形配列の配列の要因は、励起係数の離散的なフーリエ変換であるので、Fourierの変換方法は、目的パターンの逆のフーリエ変換を取ることによって任意のパターンを合成することができます。この方法は、連続パターンのためにうまく機能しますが、パターンが中止されている場合、多くの場合、大きな係数の動的範囲と高のサイドローブを生成します。ウィンドウ機能は、ビーム幅とサイドローブレベルをトレードするために使用されます。

Dolph-Chebyshevとテイラー・シンシス

Dolph-Chebyshevメソッドは、Chebyshev polynomialsを使用して、特定のサイドローブの最小ビーム幅のリニア配列を設計します。 この yields は、すべての角度を横断する均一なサイドローブを均一に収めます。 テイラーメソッドは、このパターンをメインビームの近くで一定のサイドローブエンベロープで生成し、サイドローブをさらに減少させ、ビーム幅とサイドローブレベル間の妥協を提供します。 これらの古典的な技術は、ベースラインとして広く使用されています。

高度な最適化技術

目的のパターンが複雑であるか、または配列の幾何学的方法が不規則であるとき、分析方法は短く落ちます。数値最適化アルゴリズムは、最大サイドローブレベル、null配置、または要素の故障に対する堅牢性などの制約下で最高の励起係数を検索します。これらのアルゴリズムは、要素の多数の数と任意の配列構成を処理することができます。

遺伝的アルゴリズム

遺伝的アルゴリズム(GA)は自然選択を模倣します。候補の体重ベクトルの人口は、交差、変異、選択を介して世代を超えて進化します。 GAは、特定のビーム幅を維持しながら、サイドローブを最小限に抑えるなどのパターン合成における非凸、多変的最適化の問題に効果的です。 しかし、彼らは、計算的に集中的であり、パラメータの慎重な調整を必要とすることができます。

粒子のスワムの最適化

粒子のスファーム最適化(PSO)は、溶液空間を移動する粒子のスファームをモデル化し、それぞれが独自の最高の位置とグローバルベストに引き付けます。 PSOは、GAよりも実装し、多くの場合、継続的な最適化の問題のためにより速く収束する方が簡単です。 低サイドローブ、形状のビーム、または同時nullでパターンを合成するために使用されています。

凸版最適化

特に、コンベックスの最適化の問題として多くのパターン合成の問題が形成されることができます。特に、目的は、合成パターンと目的パターンの間のエラーの規範を最小限に抑えることです。凸凹制約の対象。コンベックス最適化は、グローバルの最適性を保証します。セミデバイナイトプログラミング(SDP)やセカンドオーダーコーンプログラミング(SOCP)などの技術は、ビームフォーミングとアレイ合成に適用され、迅速かつ信頼性の高いソリューションを提供します。

適応ビームフォーミング

適応性のあるビームフォーミングは、受信された信号に基づいて配列の体重を動的に調整し、目的の信号を強化し、干渉を抑制します。 固定パターン合成とは異なり、適応性のある方法は、リアルタイムで動作し、レーダー、ソナー、および電磁環境が急速に変化する無線通信に不可欠です。

イースト・メニュアル・スクエア・アルゴリズム

最小の意味の四角形(LMS)アルゴリズムは、配列出力と参照信号の間の平均四角形エラーを最小限に抑える、stochastic勾配降下法です。 これは、シンプルで堅牢ですが、収束速度は、入力コバリアンス行列のeigenvalueスプレッドに依存します。 LMSは、干渉解除やスマートアンテナなどのアプリケーションで使用されます。

復活イーストスクエアアルゴリズム

再帰的、少なくとも四角形(RLS)は、逆相関行列の再帰的更新を使用することにより、LMSよりも速い収束を提供します。 RLSは、より計算的に集中的に集中的に機能しますが、急速に変化する環境のより良い追跡を提供します。 これは、モバイル通信と適応性nullingで有利です。

最小変異歪みのない応答

最小の分散歪みのない応答(MVDR)のビームフォーマー(別名Caponのメソッド)は、目的の方向応答が単一である制約を受けるために出力電力を最小限にします。これは、最大の信号対干渉+ノイズ比(SINR)を生成します。MVDRは、目的の方向と干渉のコワランス行列の正確な知識を必要とします。無確定なローディング時に、強力なバージョン(例えば、対角)が使用されます。

トレンドとテクノロジーの融合

計算された知能、ハードウェア再構成性、および大規模なMIMOの最近の開発は、従来の限界を超えたパターン合成を押しています。機械学習モデルは、要件から係数へのマッピングを学び、再構成可能な構造はリアルタイムパターンの形成を可能にします。これらの技術は、複雑な運用シナリオで設計サイクルと適応性能を高速化することを約束します。

機械学習アプリケーション

想定される学習は、トレーニングデータに基づいて、目的のパターンの励起係数を予測することができます。 ディープニューラルネットワーク、特にコンボレーションと再発アーキテクチャ、シミュレートまたは測定データから学ぶことができます。 強化学習も、動的環境での適応ビームフォーミングのために探求されます。 MLは、繰り返し最適化の必要性を減らし、新しい条件に迅速に適応することができますが、それは実質的なトレーニングデータと慎重な検証を必要とします。

再構成可能でフェーズド配列

再構成可能なアンテナは、電子コンポーネント(PINダイオード、varactors、MEMS)を使用して、開き形状、フィードネットワーク、または要素負荷を変更し、それによって機械的動きなしで放射線パターンを変更します。 フェーズド配列は、レーダーで10年間使用されてきました。 より低コストの実装は、5Gおよび衛星通信用の大規模なMIMOを有効にします。 ハイブリッドアナログデジタルビームフォーミングアーキテクチャバランス性能と消費電力。

MIMOと大規模なMIMO

複数の入力複数の出力(MIMO)システムは、容量を増やすためにマルチパスを利用します。 大規模なMIMOは、基地局の数百のアンテナ要素を持つ、高度な空間の多重化と干渉管理を可能にします。 大規模なMIMOにおけるパターン合成は、クロスユーザー干渉を最小限に抑えながら、各ユーザーに送信パターンを効果的に形づける事前コーディング技術を含みます。 課題は、キャリブレーション、相互カップリング、チャネル推定を含みます。

コンテンツ

アンテナパターン合成とシェーピングは、より高いデータレート、低干渉、および再構成性の成長のための要求として進化し続けています。 Dolph-ChebyshevやFourier合成などの古典的な方法は、基礎的なツールを提供し、現代の最適化アルゴリズムと適応ビームフォーミングは、リアルタイムの適応を可能にします。 機械学習や再構成可能な配列などの新興技術は、設計を簡素化し、性能を向上させることを約束します。 これらの技術を理解することで、エンジニアは、ワイヤレス通信、ダーラ、およびそれを超えるワイヤレス通信の厳しい仕様を満たすアンテナを設計することができます。